JP6524674B2

JP6524674B2 - 音声処理装置、音声処理方法および音声処理プログラム

Info

Publication number: JP6524674B2
Application number: JP2015010342A
Authority: JP
Inventors: 太郎外川; 千里塩田; 紗友梨香村; 猛大谷
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2015-01-22
Filing date: 2015-01-22
Publication date: 2019-06-05
Anticipated expiration: 2035-01-22
Also published as: JP2016133774A; US10403289B2; US20160217791A1; CN105825869A; CN105825869B

Description

本発明は、例えば、音声処理装置、音声処理方法および音声処理プログラムに関する。

近年、情報処理機器の発達に伴い、例えば、携帯端末やパーソナルコンピュータにインストールされる通話アプリケーションを介して会話が行われる場面が増加している。相手と自分が会話する場合、お互いの考えを理解し合いながら対話を進めることで円滑なコミュニケーションが実現できる。この場合、相手の考えを十分に理解するためには、相手の発話を遮らずに発話することが必要である。そのため、円滑なコミュニケーションを実現できているか否かを把握する上で、入力音声から相手の発話に対する遮りに関する印象を評価する技術が求められている。例えば、企業内での電話会議等において、従業員ごとの発話の印象を評価することにより、組織内のコミュニケーションの問題抽出に活用することができる。

特開２０１０−１７５９８４号公報

第２ユーザの第１ユーザに対する発話の印象を評価する場合、第２ユーザと第１ユーザの会話を、評価者となる第３ユーザが主観的に評価する手法が用いられているが、評価に要する処理時間や、評価の客観性の確保等を考慮すると、必ずしも好ましい手法ではない。しかしながら、第２ユーザの第１ユーザに対する発話の印象を評価が可能となる音声処理装置は実現されていない状況である。本発明においては、第２ユーザの第１ユーザに対する発話の印象を評価することが可能となる音声処理装置を提供することを目的とする。

本発明が開示する音声処理装置は、第１ユーザの第１音声に含まれる第１発話区間と、第２ユーザの第２音声に含まれる第２発話区間を検出する検出部と、第１発話区間と第２発話区間が重複する重複区間を規定する規定部を備える。更に、当該音声処理装置は、重複区間の始点から第１発話区間の終点までの第１発話継続区間を算出する算出部と、少なくとも第１発話継続区間の長さに関する情報に基づいて、第１音声に対する印象を評価する評価部を備える。

なお、本発明の目的及び利点は、例えば、請求項におけるエレメント及び組み合わせにより実現され、かつ達成されるものである。また、上記の一般的な記述及び下記の詳細な記述の何れも、例示的かつ説明的なものであり、請求項のように、本発明を制限するものではないことを理解されたい。

本明細書に開示される音声処理装置では、第２ユーザの第１ユーザに対する発話の印象を評価することが可能となる。

第１の実施形態による音声処理装置の機能ブロック図である。音声処理装置による音声処理方法のフローチャートである。一つの実施形態による検出部の機能ブロック図である。検出部による第１発話区間と第１無音区間の検出結果を示す図である。（ａ）は、第１発話継続区間の第１概念図である。（ｂ）は、第１発話継続区間の第２概念図である。第１発話継続区間と発話の印象の対応テーブルである一つの実施形態による携帯端末装置として機能するハードウェア構成図である。一つの実施形態による音声処理装置として機能するコンピュータのハードウェア構成図である。

以下に、一つの実施形態による音声処理装置、音声処理方法及び音声処理プログラムの実施例を図面に基づいて詳細に説明する。なお、当該実施例は、開示の技術を限定するものではない。

（実施例１）
図１は、第１の実施形態による音声処理装置１の機能ブロック図である。音声処理装置１は、取得部２、検出部３、規定部４、算出部５、評価部６を有する。図２は、音声処理装置１の音声処理のフローチャートである。実施例１においては、図２に示す音声処理装置１による音声処理のフローを、図１に示す音声処理装置１の機能ブロック図の各機能の説明に対応付けて説明する。

取得部２は、例えば、ワイヤードロジックによるハードウェア回路である。また、取得部２は、音声処理装置１で実行されるコンピュータプログラムにより実現される機能モジュールであっても良い。取得部２は、入力音声の一例となる第１ユーザの第１音声と第２ユーザの第２音声を、例えば、外部装置を介して取得する。なお、当該処理は、図２に示すフローチャートのステップＳ２０１に対応する。ここで、第１音声は、例えば、音声処理装置１を使用する第１ユーザ（自分と称しても良い）の会話相手となる第２ユーザ（相手と称しても良い）に対して発話する音声を指す、第１ユーザの送話音声である。また、第２音声は、例えば、第２ユーザが第１ユーザに対して発話する音声を指す、第１ユーザの受話音声である。なお、送話音声は第２ユーザの第２音声あり、受話音声は第１ユーザの第１音声であっても良い。また、取得部２は、例えば、音声処理装置１に接続または配置される、図示しないマイクロフォン（上述の外部装置に相当）から送話音声を取得することが可能である。また、第１音声と第２音声は、例えば、日本語であるが、英語等の他の言語であっても良い。換言すると、実施例１における音声処理においては、言語依存は存在しない。取得部２は取得した第１音声と第２音声を検出部３に出力する。

検出部３は、例えば、ワイヤードロジックによるハードウェア回路である。また、検出部３は、音声処理装置１で実行されるコンピュータプログラムにより実現される機能モジュールであっても良い。検出部３は、第１音声と第２音声を取得部２から受け取る。検出部３は、第１音声に含まれる第１発話区間（または第１有音区間と称しても良い）を示す第１呼気区間を検出する。また、検出部３は、第２音声に含まれる第２発話区間（または第２有音区間と称しても良い）を示す第２呼気区間を検出する。なお、当該処理は、図２に示すフローチャートのステップＳ２０２に対応する。また、第１呼気区間または第２呼気区間は、例えば、第１ユーザまたは第２ユーザが発話中において吸気を行ってから発話を開始し、再び吸気を実施するまでの区間（換言すると第１の呼吸と第２呼吸の間の区間、または発話を続けている区間）となる。検出部３は、例えば、第１音声または第２音声に含まれる複数のフレームから信号品質（第１信号対雑音比または第２信号対雑音比と称しても良い）の一例となる信号対雑音比となる平均ＳＮＲを検出し、当該平均ＳＮＲが所定の条件を満たしている区間を第１発話区間または第２発話区間として検出することが出来る。また、検出部３は、第１音声または第２音声に含まれる、第１発話区間または第２発話区間の後端に連接する無音区間を示す吸気区間を検出する。検出部３は、例えば、上述の当該平均ＳＮＲが所定の条件を満たさない区間を第１無音区間または第２無音区間（換言すると第１吸気区間または第２吸気区間）として検出することが出来る。

ここで、検出部３による第１発話区間または第２発話区間、ならびに第１無音区間または第２無音区間の検出処理の詳細について説明する。なお、第２発話区間の検出方法は、第１発話区間の検出方法と同様の手法を用いることができ、第２無音区間の検出方法は、第１無音区間の検出方法と同様の手法を用いることができる。この為、実施例１においては、検出部３による第１発話区間と第１無音区間の検出処理の詳細について説明する。図３は、一つの実施形態による検出部３の機能ブロック図である。検出部３は、音量算出部９、雑音推定部１０、平均ＳＮＲ算出部１１、区間決定部１２を有する。なお、検出部３は、音量算出部９、雑音推定部１０、平均ＳＮＲ算出部１１、区間決定部１２を必ずしも有する必要はなく、各部が有する機能を、一つのまたは複数のワイヤードロジックによるハードウェア回路で実現させても良い。また、検出部３に含まれる各部が有する機能をワイヤードロジックによるハードウェア回路に代えて、音声処理装置１で実行されるコンピュータプログラムにより実現される機能モジュールで実現させても良い。

図３において、第１音声が音量算出部９に入力される。なお、音量算出部９は、図示しない長さＭのバッファまたはキャッシュを有しても良い。音量算出部９は、第１音声に含まれる各フレームの音量を算出し、当該音量を雑音推定部１０と平均ＳＮＲ算出部１１へ出力する。なお、第１音声に含まれる各フレーム長は、例えば２０ｍｓｅｃである。各フレームの音量Ｓ（ｎ）は、次式の通り、算出することが出来る。
（数１）

ここで、ｎは、第１音声に含まれる音響フレームの入力開始から各フレームに連続して付されるフレーム番号（ｎは０以上の整数）、Ｍは１フレームの時間長、ｔは時間、ｃ（ｔ）は、第１音声の振幅（電力）を示す。

雑音推定部１０は、各フレームの音量Ｓ（ｎ）を音量算出部９から受け取る。雑音推定部１０は、各フレームにおける雑音を推定して、雑音推定結果を平均ＳＮＲ算出部１１へ出力する。ここで、雑音推定部１０による各フレームの雑音推定は、例えば、以下の（雑音推定方法１）または、（雑音推定方法２）を用いることが出来る。

（雑音推定方法１）
雑音推定部１０は、フレームｎにおける雑音の大きさ（電力）Ｎ(ｎ)を、フレームｎにおける音量Ｓ（ｎ）、前フレーム(ｎ−１)における音量Ｓ（ｎ−１）ならびに、雑音の大きさＮ（ｎ−１）に基づいて、次式を用いて推定することが出来る。
（数２）

ここで、α、βは、定数であり、実験的に決定されれば良い。例えば、α＝０．９、β＝２．０であれば良い。また、雑音電力の初期値Ｎ（−１）も、実験的に決定されれば良い。上述の（数２）において、フレームｎの音量Ｓ（ｎ）が、１つ前のフレームｎ−１の音量Ｓ（ｎ−１）に対して一定値β以上変化しない場合には、フレームｎの雑音電力Ｎ（ｎ）が更新される。一方、フレームｎの音量Ｓ（ｎ）が、１つ前のフレームｎ−１の音量Ｓ（ｎ−１）に対して一定値β以上変化する場合には、１つ前のフレームｎ−１の雑音電力Ｎ（ｎ−１）をフレームｎの雑音電力Ｎ（ｎ）とする。なお、雑音電力Ｎ（ｎ）を上述の雑音推定結果と称しても良い。

（雑音推定方法２）
雑音推定部１０は、雑音の大きさの更新を、次式の（数３）を用いて、フレームｎの音量Ｓ（ｎ）と、１つ前のフレームｎ−１の雑音電力Ｎ（ｎ−１）との比に基づいて実施しても良い。
（数３）

ここで、γは定数であり、実験的に決定されれば良い。例えば、γ＝２．０であれば良い。また、雑音電力の初期値Ｎ（−１）も、実験的に決定されれば良い。上述の（数３）において、フレームｎの音量Ｓ（ｎ）が、１つ前のフレームｎ−１の雑音電力Ｎ（ｎ−１）に対して一定値γ倍未満である場合には、フレームｎの雑音電力Ｎ（ｎ）を更新する。一方、フレームｎの音量Ｓ（ｎ）が、１つ前のフレームｎ−１の雑音電力Ｎ（ｎ−１）に対して一定値γ倍以上である場合には、１つ前のフレームｎ−１の雑音電力Ｎ（ｎ−１）をフレームｎの雑音電力Ｎ（ｎ）とする。

図３において、平均ＳＮＲ算出部１１は、音量算出部９から各フレームの音量Ｓ（ｎ）を受け取り、雑音推定部１０から雑音推定結果となる各フレームの雑音電力Ｎ（ｎ）を受け取る。なお、平均ＳＮＲ算出部１１は、図示しないキャッシュまたはメモリを有しており、過去Ｌフレーム分の音量Ｓ（ｎ）、雑音電力Ｎ（ｎ）を保持する。平均ＳＮＲ算出部１１は、次式を用いて、分析対象時間（フレーム）内の平均ＳＮＲを算出し、当該平均ＳＮＲを区間決定部１２へ出力する。
（数４）

ここで、Ｌは促音の一般的な長さよりも大きな値に規定すれば良く、例えば、０．５ｍｓｅｃに相当するフレーム数を規定すれば良い。

区間決定部１２は、平均ＳＮＲを平均ＳＮＲ算出部１１から受け取る。区間決定部１２は、次式に基づいて、フレーム単位で当該フレームが発話区間か無音区間（非発話区間）かを判定し、判定結果ｖ_１（ｔ）を出力する。
（数５）

上述の（数５）において、ｔはフレーム番号を示す。なお、１フレームは、例えば、２０ｍｓである。また、上述の（数５）においては、tフレーム目の第１音声が発話区間と判定された場合はｖ_１（ｔ）＝１が代入され、tフレーム目の第１音声が無音区間と判定された場合はｖ_１（ｔ）＝０と代入されることを意味する。区間決定部１２は、ｖ_１（ｔ）＝１を連続して満たすフレーム区間を第１発話区間として出力する。なお、区間決定部１２は、第２音声に関する判定結果ｖ_２（ｔ）をｖ_１（ｔ）と同様の手法を用いて算出し、第２発話区間を出力する。

図４は、検出部３による第１発話区間と第１無音区間の検出結果を示す図である。図４の横軸は時間を示し、縦軸は第１音声の音量（振幅）を示している。図４に示される通り、各第１発話区間の後端に連接する区間が第１無音区間として検出される。また、図４に示される通り、実施例１に開示する検出部３による第１発話区間の検出においては、周囲雑音に合わせて雑音を学習し、ＳＮＲに基づいて発話区間を判別している。この為、周囲雑音による第１発話区間の誤検出を防ぐことができる。また、平均ＳＮＲを複数フレームから求めることで、第１発話区間内で瞬間的に無音となる時間があっても、連続した発話区間として抽出することができる利点を有している。なお、検出部３は、国際公開第２００９／１４５１９２号パンフレットに記載の方法を用いることも可能である。なお、上述の通り、第２発話区間の検出方法は、第１発話区間の検出方法と同様の手法を用いることができ、第２無音区間の検出方法は、第１無音区間の検出方法と同様の手法を用いることができる。この為、検出部３は検出した第１発話区間と第２発話区間を規定部４と算出部５に出力する。

図１において、規定部４は、例えば、ワイヤードロジックによるハードウェア回路である。また、規定部４は、音声処理装置１で実行されるコンピュータプログラムにより実現される機能モジュールであっても良い。規定部４は、検出部３が検出した第１発話区間と第２発話区間を検出部３から受け取る。規定部４は、第１発話区間と第２発話区間が重複する重複区間を規定する。なお、当該処理は、図２に示すフローチャートのステップＳ２０３に対応する。当該重複区間は、例えば、ある任意の同一の時刻において、第１ユーザと第２ユーザが互いに発話している区間と定義することが出来る。なお、規定部４は、具体的には、次式に基づいて重複区間Ｌ（ｔ）を規定することが出来る。
（数６）

上述の（数６）は、第１ユーザの第１音声と第２ユーザの第２音声の何れかが無音区間（非発話区間）と判定されるフレームに対しては重複時間を０（重複区間の発現無し）と規定し、第１ユーザの第１音声と第２ユーザの第２音声の双方が発話区間と判定されるフレームに対しては直前のフレームまでの重複時間に１フレーム加算することで、重複が連続するフレーム数（重複区間）を算出することを意味する。規定部４は、規定した重複区間を算出部５に出力する。

図１において、算出部５は、例えば、ワイヤードロジックによるハードウェア回路である。また、算出部５は、音声処理装置１で実行されるコンピュータプログラムにより実現される機能モジュールであっても良い。算出部５は、規定部４が規定した重複区間を規定部４から受け取る。また、算出部５は、第１発話区間と第２発話区間を検出部３から受け取る。算出部５は、重複区間の始点から第１発話区間の終点までの区間となる第１発話継続区間を算出する。なお、当該処理は、図２に示すフローチャートのステップＳ２０４に対応する。具体的には、算出部５は以下の算出処理を実行する。

算出部５は、重複区間Ｌ（ｔ）と任意の第１閾値ＴＨ＿Ｌとの比較結果に基づき重複区間の始点時刻Ｔ_ｓ（重複発生区間時刻Ｔ_ｓと称しても良い）を出力する。算出部５は、例えば、次式に従い、重複区間（の長さ）が第１閾値以上となる場合に重複区間が発生したと判定し、重複区間の始点時刻Ｔ_ｓを出力する。算出部５は、第１閾値未満である場合は、重複区間が発生していないと判定し、重複発生区間時刻Ｔ_ｓを次式に従ってリセットする。ここで、第１閾値は、一般的な相槌の長さに相当する値であれば良い。相槌は、相手の発話に同意の旨等を示すものである為、会話を遮るものとして取扱う必要はない。なお、第１閾値ＴＨ＿Ｌは、例えば１秒（５０フレームに相当）とすることが出来る。
（数７）

上述の（数７）は、Ｌ（ｔ）≧ＴＨ＿Ｌの条件を満たす場合は、重複区間が発生して、算出部５が重複区間の始点Ｔ_ｓを算出することを示し、Ｌ（ｔ）≧ＴＨ＿Ｌの条件を満たさない場合は、重複区間が発生していないことを示す。

算出部７は、上述の（数７）において、Ｌ（ｔ）≧ＴＨ＿Ｌの条件を満たす場合は、上述の（数５）を用いて算出したｖ_１（ｔ）に基づいて、第１発話区間の終点となる時刻Ｔ_ｅを次式に基づいて算出する。
（数８）

上述の（数８）は、直前フレーム（ｔ−１）が、発話区間と判定され、かつ、現フレーム（ｔ）が、無音区間（非発話区間）と判定された場合に発話終了と判定し、直前フレーム（ｔ−１）を第１発話区間の終点となる時刻Ｔ_ｅとして算出することを意味する。また、それ以外の場合は、発話区間が継続中または非発話区間であるため、発話終了時刻Ｔ_ｅをリセットすることを意味する。

算出部５は、第１発話区間の終点の時刻Ｔ_ｅを算出した場合、重複区間の始点時刻Ｔ_ｓと第１発話区間の終点の時刻Ｔ_ｅから第１発話継続区間ＣＬを次式に基づいて算出する。
（数９）
ＣＬ＝Ｔ_ｅ−Ｔ_ｓ

図５（ａ）は、第１発話継続区間の第１概念図である。図５（ｂ）は、第１発話継続区間の第２概念図である。図５（ａ）、図５（ｂ）においては、第１ユーザが、第２ユーザよりも先に発話を開始している。また、実線で囲まれている領域は、第１ユーザまたは第２ユーザが実際に意図した内容を「発話している領域」であり、点線で囲まれている領域は、重複区間の発生により、第１ユーザまたは第２ユーザが実際に意図した内容を「発話していない領域」である。図５（ａ）において、第１ユーザの第１音声（実際に発話している音声）は、例えば、「週末は山に行きましょう。紅葉がとても綺麗ですよ。」である。また、第２ユーザの第２音声（実際に発話している音声）は、「でも天気が」である。この時、第２ユーザは、（悪いので別の日に山に行きましょう）は発話せず、第１ユーザは、第１ユーザの発話中に、第２ユーザが発話を開始したのにも係らず、発話を止めることなく、発話を最後まで続けている状態となる。この場合、詳細は後述するが、第２ユーザの第１ユーザに対する発話の印象は悪いものとなる。

図５（ｂ）において、第１ユーザの第１音声（実際に発話している音声）は、例えば、「週末は山に行きましょう。」である。また、第２ユーザの第２音声（実際に発話している音声）は、「でも天気が悪いので、別の日に山に行きましょう」である。この時、第１ユーザは、第１ユーザの発話中に、第２ユーザが発話を開始した為、発話を最後まで続けることなく、発話を途中で止めている。この場合、詳細は後述するが、第２ユーザの第１ユーザに対する発話の印象は悪いものとならない。実施例１において、第１ユーザが発話中に発話を第２ユーザに譲った場合には、発話区間が重複する重複区間の始点から、第１ユーザが発話を中断するまでの時間が短い性質を利用することにより、第１ユーザの発話の印象を評価することが可能となる。算出部５は、算出した第１発話継続区間を評価部６に出力する。

図１において、評価部６は、例えば、ワイヤードロジックによるハードウェア回路である。また、評価部６は、音声処理装置１で実行されるコンピュータプログラムにより実現される機能モジュールであっても良い。評価部６は、算出部５が算出した第１発話継続区間を算出部５から受け取る。評価部６は、少なくとも第１発話継続区間の長さに関する情報に基づいて、第２ユーザの第１音声に対する印象を評価する。なお、当該処理は、図２に示すフローチャートのステップＳ２０５に対応する。

図６は、第１発話継続区間と発話の印象の対応テーブルである。なお、図６の対応テーブル６０は、本発明者らの鋭意研究の結果、新たに見出されたものである。また、図６の対応テーブル６０は、複数の評価者の主観的評価に基づくものである。なお、評価方法は、第１ユーザが発話し続けている時に、第２ユーザに発話にさせて重複区間を発生させた場合における第１発話継続区間（第１発話継続時間と称しても良い）に基づいて、第２ユーザの第１ユーザに対する発話の印象を実験的に求めた。なお、主観的評価は、「印象が悪くない（発話が実質的に遮られていない）」、「印象がやや悪い（発話が実質的にやや遮られている）」、「印象が悪い（発話が実質的に遮られている）」の３段階に分けて行った。図６の対応テーブル６０から理解出来る通り、第１発話継続区間（換言すると、第１音声と第２音声の重複開始から、被評価者の発話終了までの時間）が３秒未満であれば、第２ユーザ（相手）の会話を遮ったことにはならず、第１ユーザ（自分）に対する発話の印象は悪くならないことが明らかになった。換言すると、相手（第２ユーザに相当）と自分（第１ユーザに相当）が会話する場合、円滑なコミュニケーションを実現出来ているか否かを把握する上で、自分の発話により相手の発話を遮ることなく会話を成立させることが重要な要素の１つとなる。自分と相手が会話をする場合、自分の発話により相手の発話を遮ると、相手の自分に対する印象が悪くなり、円滑にコミュニケーションを進めることが難しくなる。

評価部６は、第１発話継続区間と図６のテーブル６０に基づいて、評価結果を任意の外部装置に出力する。なお、評価部６は、評価結果を任意のスコアに置き換えて、当該スコアを用いて発話を評価しても良い。また、外部装置は、例えば、評価結果を音声に変換させた上で再生できるスピーカや、評価音声を文字情報として表示するディスプレイであれば良い。また、評価部６は、評価結果をスピーカに出力する場合は、公知の任意の音声読み上げ方法を用いれば良い。また、評価部６は、評価結果が「やや悪い」または「非常に悪い」場合に、所定の制御信号を外部装置に発信しても良い。なお、当該処理を行う場合は、図２に示すフローチャートのステップＳ２０５と合わせて実施すれば良い。また、制御信号は、例えば、アラーム音であれば良い。また、評価部６は、第１発話継続区間の長さが任意の第６閾値（例えば、第６閾値＝３秒）以上の場合は、第１ユーザの発話の印象を悪評価と評価しても良い。

ここで、実施例１に対応する比較例について説明する。比較例においては、第１発話継続区間を用いずに、単純に重複区間の長さに基づいて第２ユーザの第１ユーザに対する印象を評価する。図５（ａ）と図５（ｂ）においては、重複区間の長さは同じであることが理解できる。図５（ａ）においては、重複区間の発生後、第１ユーザは発話を継続し、第２ユーザは発話を停止している。図５（ｂ）においては、重複区間の発生後、第１ユーザは発話を停止し、第２ユーザは発話を継続している。例えば、図６の対応テーブル６０の第１発話継続区間の項目を、重複区間の長さに置き換えて、第１ユーザの発話の印象を評価した場合、図５（ａ）に示す発話パターンにおいては、第１ユーザの発話の印象は悪いものと評価されるので特段の問題は生じない。しかしながら、図５（ｂ）に示す発話パターンにおいては、実施例１の評価結果を考慮すると、第１ユーザの発話の印象は悪くないにも係らず、第１ユーザの発話の印象が悪く評価されるという誤検出を招く結果となる。この為、比較例に示す様に、単純に第１ユーザと第２ユーザの発話区間の重複時間に基づいて発話の印象を評価する場合は、発話の印象の評価を正確に評価することは難しい。一方、実施例１は、例えば、第１発話継続区間に基づいて発話の印象を評価している為、発話の印象を正確に評価することが出来ることが理解出来る。実施例１における音声処理装置１によれば、第２ユーザの第１ユーザに対する発話の印象を評価することが可能となる。

（実施例２）
図１の規定部４は、第１発話区間または第２発話区間に含まれる母音数を算出し、当該第１発話区間と第２発話区間が所定の第２閾値（例えば、第２閾値＝５）以上の母音数で重複する場合に、重複区間を規定しても良い。換言すると、例えば、「はい」、「いいえ」、「うんうん」、「本当？」、「そうです」等の一般的に相槌に該当する単語の大半の母音数は、例えば、４である為、規定部４は、第１発話区間または第２発話区間に含まれる母音数が第２閾値未満であれば、単なる相槌であり、会話の妨げにならない為、第１発話区間と第２発話区間の重複区間として取扱わないことが出来る。なお、算出部５は、フォルマント分布に基づく母音数の検出方法として、例えば特開２００９−２５８３６６号公報に記載の方法を用いることが出来る。

また、規定部４は、第１発話区間または第２発話区間を文字列として認識しても良い。規定部４は、第１発話区間または第２発話区間を文字列として認識する方法として、例えば、特開平４−２５５９００号公報に開示される方法を適用することが出来る。また、所定の単語は、算出部５が有する図示しないキャッシュまたはメモリに保存される単語リスト（テーブル）に格納される、相槌に相当する単語である。所定の単語は、例えば、「はい」、「いいえ」、「うんうん」、「本当？」、「そうです」等の一般的に相槌に該当する単語であれば良い。規定部４は、第１発話区間または第２発話区間が当該所定の単語と一致する場合、単なる相槌であり、会話の妨げにならない為、第１発話区間と第２発話区間の重複区間として取扱わないことが出来る。なお、音声処理装置１は、実施例２と実施例１の処理を組み合わせた音声処理を行うことが出来る。実施例２における音声処理装置１によれば、第２ユーザの第１ユーザに対する発話の印象をより高い精度で評価することが可能となる。

（実施例３）
図１の規定部４は、第１発話区間と、第２発話区間のいずれか早い区間の開始時刻から任意の第５閾値（例えば、第５閾値＝３０秒）の時間経過後に、重複区間を規定しても良い。会話の開始直後は、重複時間が長くても発話印象に影響を与えない挨拶の発話が多いため、発話の印象を判定する対象区間から除外することで判定精度を改善できる。また、規定部４は、第１発話区間と、第２発話区間のいずれか遅い区間の終了時刻から当該第５閾値の経過前に重複区間を規定しても良い。会話終了直前は、重複時間が長くても発話印象に影響を与えない挨拶の発話が多いため、発話の印象を判定する対象区間から除外することで判定精度を改善できる。なお、音声処理装置１は、実施例１ないし実施例３の処理を任意に組み合わせた音声処理を行うことが出来る。実施例３における音声処理装置１によれば、第２ユーザの第１ユーザに対する発話の印象をより高い精度で評価することが可能となる。

（実施例４）
図１の検出部３は、第１音声と第２音声に含まれる複数のフレームの第１信号品質と第２信号品質をそれぞれ検出し、規定部４は、第１信号品質と第２信号品質が第３閾値（例えば、第３閾値＝−６０ｄＢｏｖ）以上であり、かつ、第１発話区間と第２発話区間が重複する区間を重複区間として規定しても良い。なお、第１信号品質または第２信号品質は、第１音声または第２音声のパワーまたは信号対雑音比であれば良い。例えば、規定部４は、第１ユーザと第２ユーザが共に所定のパワー（音量）以上で発話している場合に、重複区間を規定しても良い。これは、第１ユーザと第２ユーザの何れか一方が、比較的低いパワーで発話している場合、発話の印象に大きな影響を与えないことも想定される為である。検出部３は、上述の（数１）に加えて、次式に基づいて、第１発話区間または、第２発話区間の平均パワーＰ１とＰ２を算出することが出来る。なお、平均パワーＰ１とＰ２は、それぞれ、第１信号品質と第２信号品質と称しても良い。
（数１０）

上述の（数１０）において、ｓ_１（ｔ）とｓ_２（ｔ）は、それぞれ第１音声と第２音声の振幅を表す。規定部４は、第１発話区間ならびに第２発話区間の平均パワーと、任意の閾値ＴＨ＿Ｐ（第３閾値と称しても良い）との比較結果に基づき、重複区間の発生を判定し、重複区間の始点時刻Ｔ_ｓを規定することが出来る。具体的には、第１発話区間の平均パワーと第２発話区間の平均パワーが、任意の閾値ＴＨ＿Ｐ以上の場合は、第１ユーザと第２ユーザがともに所定以上のパワー（大きな音声）で発話している状況である為、発話区間の重複が発生したと判定し、規定部４は、重複区間の始点時刻Ｔ_ｓを規定する。それ以外の場合は、第１ユーザまたは第２ユーザの何れか一方が小さな声で発話している状況であるため、重複区間が発生していないものとして判定し、規定部４は、重複区間の始点時刻Ｔ_ｓをリセットする。なお、任意の閾値ＴＨ＿Ｐは例えば、−６０［ｄＢｏｖ］とすれば良い。なお、規定部４は、次式に基づいて重複区間を算出することが出来る。
（数１１）

上述の（数１１）において、Ｔ_ｓ＝ｔ−ＴＨ＿Ｌは重複区間の発生が有ることを意味し、Ｔ_ｓ＝−１は重複区間の発生が無いことを示す。

また、規定部４は、第１発話区間と第２発話区間のパワー差に基づいて重複区間を規定することも可能である。例えば、規定部４は、第１発話区間の平均パワーと、第２発話区間の平均パワーの差と、所定の閾値との比較結果に基づき、重複区間の発生を判定し、重複区間の始点時刻Ｔ_ｓを出力する。重複区間が任意の閾値より長く、第１ユーザの第１発話区間の平均パワーと第２ユーザの第２発話区間の平均パワーとの差が、任意の閾値ＴＨ＿Ｐ＿ＤＩＦＦ未満（第４閾値と称しても良い）である場合は、第１ユーザと第２ユーザの両者とも同等程度の音量で発話している状況である為、発話の重複区間が発生したと判定し、規定部４は、重複区間の始点時刻Ｔ_ｓを出力する。それ以外の場合は、第１ユーザと第２ユーザの何れか一方が小さな声で話している状況である為、重複区間が発生していないものとして判定し、重複区間の発生時刻Ｔ_ｓをリセットする。なお、任意の閾値ＴＨ＿Ｐ＿ＤＩＦＦは、例えば、３ｄＢと規定すれば良い。なお、規定部４は、次式に基づいて重複区間を算出することが出来る。
（数１２）

上述の（数１２）において、Ｔ_ｓ＝ｔ−ＴＨ＿Ｌは重複区間の発生が有ることを意味し、Ｔ_ｓ＝−１は重複区間の発生が無いことを示す。なお、音声処理装置１は、実施例１ないし実施例４の処理を任意に組み合わせた音声処理を行うことが出来る。実施例４における音声処理装置１によれば、第２ユーザの第１ユーザに対する発話の印象をより高い精度で評価することが可能となる。

（実施例５）
検出部３は、第１音声と第２音声に含まれる複数のフレームの第１信号品質と第２信号品質をそれぞれ検出し、規定部４は、第１信号品質と第２信号品質が第３閾値（例えば、第３閾値＝１０ｄＢ）以上であり、かつ、第１発話区間と第２発話区間が重複する区間を重複区間として規定しても良い。なお、第１信号品質または第２信号品質は、第１音声または第２音声のパワーまたは信号対雑音比であれば良い。例えば、検出部３は、第１発話区間に関する判定結果ｖ_１（ｔ）に応じて、次式に基づく雑音パワーＮ１（ｔ）を更新する。例えば、ｔ番目のフレームが非発話区間と判定された場合は、検出部３は、フレームパワーに忘却係数ＣＯＥＦ１を乗じた値を加算することで、雑音パワーを更新する。なお、忘却係数ＣＯＥＦ１は、例えば０．０５と規定することが出来る。
（数１３）

上述の（数１３）において、上段はｖ_１（ｔ）＝０の場合であり、下段は上記以外の場合を示す。また、検出部３は、第２発話区間に関する判定結果ｖ_２（ｔ）に応じて、雑音パワーＮ１（ｔ）と同様に雑音パワーＮ２（ｔ）を更新する。次に、規定部４は、重複区間の長さが上述の第１閾値ＴＨ＿Ｌ以上であり、第１発話区間の第１信号品質の一例となるＳＮＲ１（ｔ）と、第２発話区間の第２信号品質のＳＮＲ２（ｔ）が第３閾値ＴＨ＿ＳＮＲ（例えば１０ｄＢ）以上である場合に、重複区間の発生を検出し、重複区間の発生時刻Ｔ_ｓを次式に基づいて規定する。
（数１４）

なお、上述の（数１４）において、Ｔ_ｓ＝ｔ−ＴＨ＿Ｌは重複区間の発生が有ることを意味し、Ｔ_ｓ＝−１は重複区間の発生が無いことを示す。

また、規定部４は、第１信号品質と第２信号品質の差が第４閾値（例えば、第４閾値＝３ｄＢ）未満であり、かつ、第１発話区間と第２発話区間が重複する区間を重複区間として規定しても良い。規定部４は、次式に基づいて第１発話区間の第１信号品質の一例となるＳＮＲ１（ｔ）と第２発話区間の第２信号品質の一例となるＳＮＲ２（ｔ）の差と、第４閾値との比較結果に基づき、重複区間の発生を判定し、重複区間の発生時刻Ｔ_ｓを規定する。規定部４は、重複区間の長さが第１閾値ＴＨ＿Ｌ以上であり、第１発話区間のＳＮＲ１（ｔ）と第２発話区間のＳＮＲ２（ｔ）との差が第４閾値ＴＨ＿Ｐ＿ＤＩＦＦ（例えば３ｄＢ）未満である場合は、第１ユーザと第２ユーザともに同等程度の音声の大きさで会話している状況である為、発話区間の重複が発生したと判定し、重複区間の発生時刻Ｔ_ｓを規定することが出来る。それ以外の場合は、第１ユーザと第２ユーザの何れか一方が小さな声で発話している状況であるため、重複区間が発生していないと判定し、重複区間の発生時刻Ｔ_ｓをリセットする。
（数１５）

上述の（数１５）において、Ｔ_ｓ＝ｔ−ＴＨ＿Ｌは重複区間の発生が有ることを意味し、Ｔ_ｓ＝−１は重複区間の発生が無いことを示す。なお、音声処理装置１は、実施例１ないし実施例５の処理を任意に組み合わせた音声処理を行うことが出来る。実施例５における音声処理装置１によれば、第２ユーザの第１ユーザに対する発話の印象をより高い精度で評価することが可能となる。

（実施例６）
図７は、一つの実施形態による携帯端末装置３０として機能するハードウェア構成図である。携帯端末装置３０は、アンテナ３１、無線部３２、ベースバンド処理部３３、端末インタフェース部３４、マイク３５、スピーカ３６、制御部３７、主記憶部３８、補助記憶部３９を有する。

アンテナ３１は、送信アンプで増幅された無線信号を送信し、また、基地局から無線
信号を受信する。無線部３２は、ベースバンド処理部３３で拡散された送信信号をＤ／Ａ変換し、直交変調により高周波信号に変換し、その信号を電力増幅器により増幅する。無線部３２は、受信した無線信号を増幅し、その信号をＡ／Ｄ変換してベースバンド処理部３３に伝送する。

ベースバンド処理部３３は、送信データの誤り訂正符号、データ変調、受信信号、受信環境の判定、各チャネル信号の閾値判定、誤り訂正復号などのベースバンド処理などを行う。

制御部３７は、例えば、ＣＰＵ、ＭＰＵ（ＭｉｃｒｏＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、ＤＳＰ（ＤｉｇｉｔａｌＳｉｇｎａｌＰｒｏｃｅｓｓｏｒ）、ＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）、またはＰＬＤ（ＰｒｏｇｒａｍｍａｂｌｅＬｏｇｉｃＤｅｖｉｃｅ）である。制御部３７は、制御信号の送受信などの無線制御を行う。また、制御部３７は、補助記憶部３９などに記憶されている音声処理プログラムを実行し、例えば、実施例１または実施例２における音声処理を行う。換言すると、制御部３７は、例えば、図１に記載の取得部２、検出部３、規定部４、算出部５、評価部６の機能ブロックの処理を実行することが出来る。

主記憶部３８は、ＲＯＭやＲＡＭなどであり、制御部３７が実行する基本ソフトウェアであるＯＳやアプリケーションソフトウェアなどのプログラムやデータを記憶又は一時保存する記憶装置である。

補助記憶部３９は、ＨＤＤやＳＳＤなどであり、アプリケーションソフトウェアなどに関連するデータを記憶する記憶装置である。

端末インタフェース部３４は、データ用アダプタ処理、ハンドセットおよび外部デー
タ端末とのインタフェース処理を行う。

マイク３５は、発話者（例えば、第１ユーザ）の音声を入力し、マイク信号として制御部３７に出力する。スピーカ３６は、出力音声または制御信号として制御部３７から出力された信号を出力する。

（実施例７）
図８は、一つの実施形態による音声処理装置１として機能するコンピュータのハードウェア構成図である。図８に示す通り、音声処理装置１は、コンピュータ１００、およびコンピュータ１００に接続する入出力装置（周辺機器）を含んで構成される。

コンピュータ１００は、プロセッサ１０１によって装置全体が制御されている。プロセッサ１０１には、バス１０９を介してＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）１０２と複数の周辺機器が接続されている。なお、プロセッサ１０１は、マルチプロセッサであってもよい。また、プロセッサ１０１は、例えば、ＣＰＵ、ＭＰＵ（ＭｉｃｒｏＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、ＤＳＰ（ＤｉｇｉｔａｌＳｉｇｎａｌＰｒｏｃｅｓｓｏｒ）、ＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）、またはＰＬＤ（ＰｒｏｇｒａｍｍａｂｌｅＬｏｇｉｃＤｅｖｉｃｅ）である。更に、プロセッサ１０１は、ＣＰＵ、ＭＰＵ、ＤＳＰ、ＡＳＩＣ、ＰＬＤのうちの２以上の要素の組み合わせであってもよい。なお、例えば、プロセッサ１０１は、図１に記載の取得部２、検出部３、規定部４、算出部５、評価部６等の機能ブロックの処理を実行することが出来る。

ＲＡＭ１０２は、コンピュータ１００の主記憶装置として使用される。ＲＡＭ１０２には、プロセッサ１０１に実行させるＯＳ（ＯｐｅｒａｔｉｎｇＳｙｓｔｅｍ）のプログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、ＲＡＭ１０２には、プロセッサ１０１による処理に必要な各種データが格納される。バス１０９に接続されている周辺機器としては、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）１０３、グラフィック処理装置１０４、入力インタフェース１０５、光学ドライブ装置１０６、機器接続インタフェース１０７およびネットワークインタフェース１０８がある。

ＨＤＤ１０３は、内蔵したディスクに対して、磁気的にデータの書き込みおよび読み出しを行う。ＨＤＤ１０３は、例えば、コンピュータ１００の補助記憶装置として使用される。ＨＤＤ１０３には、ＯＳのプログラム、アプリケーションプログラム、および各種データが格納される。なお、補助記憶装置としては、フラッシュメモリなどの半導体記憶装置を使用することも出来る。

グラフィック処理装置１０４には、モニタ１１０が接続されている。グラフィック処理装置１０４は、プロセッサ１０１からの命令にしたがって、各種画像をモニタ１１０の画面に表示させる。モニタ１１０としては、ＣＲＴ（ＣａｔｈｏｄｅＲａｙＴｕｂｅ）を用いた表示装置や液晶表示装置などがある。

入力インタフェース１０５には、キーボード１１１とマウス１１２とが接続されている。入力インタフェース１０５は、キーボード１１１やマウス１１２から送られてくる信号をプロセッサ１０１に送信する。なお、マウス１１２は、ポインティングデバイスの一例であり、他のポインティングデバイスを使用することもできる。他のポインティングデバイスとしては、タッチパネル、タブレット、タッチパッド、トラックボールなどがある。

光学ドライブ装置１０６は、レーザ光などを利用して、光ディスク１１３に記録されたデータの読み取りを行う。光ディスク１１３は、光の反射によって読み取り可能なようにデータが記録された可搬型の記録媒体である。光ディスク１１３には、ＤＶＤ（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｃ）、ＤＶＤ−ＲＡＭ、ＣＤ−ＲＯＭ（ＣｏｍｐａｃｔＤｉｓｃＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＣＤ−Ｒ（Ｒｅｃｏｒｄａｂｌｅ）／ＲＷ（ＲｅＷｒｉｔａｂｌｅ）などがある。可搬型の記録媒体となる光ディスク１１３に格納されたプログラムは光学ドライブ装置１０６を介して音声処理装置１にインストールされる。インストールされた所定のプログラムは、音声処理装置１より実行可能となる。

機器接続インタフェース１０７は、コンピュータ１００に周辺機器を接続するための通信インタフェースである。例えば、機器接続インタフェース１０７には、メモリ装置１１４やメモリリーダライタ１１５を接続することが出来る。メモリ装置１１４は、機器接続インタフェース１０７との通信機能を搭載した記録媒体である。メモリリーダライタ１１５は、メモリカード１１６へのデータの書き込み、またはメモリカード１１６からのデータの読み出しを行う装置である。メモリカード１１６は、カード型の記録媒体である。また、機器接続インタフェース１０７には、マイク３５やスピーカ３６を接続することが出来る。

ネットワークインタフェース１０８は、ネットワーク１１７に接続されている。ネットワークインタフェース１０８は、ネットワーク１１７を介して、他のコンピュータまたは通信機器との間でデータの送受信を行う。

コンピュータ１００は、たとえば、コンピュータ読み取り可能な記録媒体に記録されたプログラムを実行することにより、上述した音声処理機能を実現する。コンピュータ１００に実行させる処理内容を記述したプログラムは、様々な記録媒体に記録しておくことが出来る。上記プログラムは、１つのまたは複数の機能モジュールから構成することが出来る。例えば、図１に記載の取得部２、検出部３、規定部４、算出部５、評価部６等の処理を実現させた機能モジュールからプログラムを構成することが出来る。なお、コンピュータ１００に実行させるプログラムをＨＤＤ１０３に格納しておくことができる。プロセッサ１０１は、ＨＤＤ１０３内のプログラムの少なくとも一部をＲＡＭ１０２にロードし、プログラムを実行する。また、コンピュータ１００に実行させるプログラムを、光ディスク１１３、メモリ装置１１４、メモリカード１１６などの可搬型記録媒体に記録しておくことも出来る。可搬型記録媒体に格納されたプログラムは、例えば、プロセッサ１０１からの制御により、ＨＤＤ１０３にインストールされた後、実行可能となる。またプロセッサ１０１が、可搬型記録媒体から直接プログラムを読み出して実行することも出来る。

以上に図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。また、上記の実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。

以上、説明した実施形態に関し、更に以下の付記を開示する。
（付記１）
第１ユーザの第１音声に含まれる第１発話区間と、第２ユーザの第２音声に含まれる第２発話区間を検出する検出部と、
前記第１発話区間と前記第２発話区間が重複する重複区間を規定する規定部と、
前記重複区間の始点から前記第１発話区間の終点までの第１発話継続区間を算出する算出部と、
少なくとも前記第１発話継続区間の長さに関する情報に基づいて、前記第１音声に対する印象を評価する評価部
を備えることを特徴とする音声処理装置。
（付記２）
前記規定部は、前記第１発話区間と前記第２発話区間が第１閾値以上の長さで重複する場合に、前記重複区間を規定することを特徴とする付記１記載の音声処理装置。
（付記３）
前記規定部は、前記第１発話区間または前記第２発話区間に含まれる母音数を算出し、
前記第１発話区間と前記第２発話区間が第２閾値以上の前記母音数で重複する場合に、前記重複区間を規定することを特徴とする付記１または付記２記載の音声処理装置。
（付記４）
前記検出部は、前記第１音声と前記第２音声に含まれる複数のフレームの第１信号品質と第２信号品質をそれぞれ検出し、
前記規定部は、前記第１信号品質と前記第２信号品質が第３閾値以上であり、かつ、前記第１発話区間と前記第２発話区間が重複する区間を前記重複区間として規定する付記１ないし付記３の何れか一つに記載の音声処理装置。
（付記５）
前記検出部は、前記第１音声と前記第２音声に含まれる複数のフレームの第１信号品質と第２信号品質をそれぞれ検出し、
前記規定部は、前記第１信号品質と前記第２信号品質の差が第４閾値未満であり、かつ、前記第１発話区間と前記第２発話区間が重複する区間を前記重複区間として規定する付記１ないし付記３の何れか一つに記載の音声処理装置。
（付記６）
前記第１信号品質または前記第２信号品質は、前記第１音声または前記第２音声のパワーまたは信号対雑音比であることを特徴とする付記３ないし付記５の何れか一つに記載の音声処理装置。
（付記７）
前記規定部は、前記第１発話区間と、前記第２発話区間のいずれか早い区間の開始時刻から第５閾値の時間経過後に前記重複区間を規定することを特徴とする付記１ないし付記６の何れか一つに記載の音声処理装置。
（付記８）
前記規定部は、前記第１発話区間と、前記第２発話区間のいずれか遅い区間の終了時刻から前記第５閾値の時間経過前に前記重複区間を規定することを特徴とする付記１ないし付記７の何れか一つに記載の音声処理装置。
（付記９）
前記第１音声または前記第２音声は、送話音声または受話音声であることを特徴とする付記１ないし付記８の何れか一つに記載の音声処理装置。
（付記１０）
前記評価部は、前記第１発話継続区間の長さが第６閾値以上の場合に、前記印象を悪い印象と評価することを特徴とする付記１ないし付記９の何れか一つに記載の音声処理装置。
（付記１１）
第１ユーザの前記第１音声に含まれる第１発話区間と、第２ユーザの第２音声に含まれる第２発話区間を検出し、
前記第１発話区間と前記第２発話区間が重複する重複区間を規定し、
前記重複区間の始点から前記第１発話区間の終点までの第１発話継続区間を算出し、
少なくとも前記第１発話継続区間の長さに関する情報に基づいて、前記第１音声に対する印象を評価する
ことを含むことを特徴とする音声処理方法。
（付記１２）
前記規定することは、前記第１発話区間と前記第２発話区間が第１閾値以上の長さで重複する場合に、前記重複区間を規定することを特徴とする付記１１記載の音声処理方法。
（付記１３）
前記規定することは、前記第１発話区間または前記第２発話区間に含まれる母音数を算出し、
前記第１発話区間と前記第２発話区間が第２閾値以上の前記母音数で重複する場合に、前記重複区間を規定することを特徴とする付記１１または付記１２記載の音声処理方法。
（付記１４）
前記検出することは、前記第１音声と前記第２音声に含まれる複数のフレームの第１信号品質と第２信号品質をそれぞれ検出し、
前記規定することは、前記第１信号品質と前記第２信号品質が第３閾値以上であり、かつ、前記第１発話区間と前記第２発話区間が重複する区間を前記重複区間として規定する付記１１ないし付記１３の何れか一つに記載の音声処理方法。
（付記１５）
前記検出することは、前記第１音声と前記第２音声に含まれる複数のフレームの第１信号品質と第２信号品質をそれぞれ検出し、
前記規定することは、前記第１信号品質と前記第２信号品質の差が第４閾値未満であり、かつ、前記第１発話区間と前記第２発話区間が重複する区間を前記重複区間として規定する付記１１ないし付記１３の何れか一つに記載の音声処理方法。
（付記１６）
前記第１信号品質または前記第２信号品質は、前記第１音声または前記第２音声のパワーまたは信号対雑音比であることを特徴とする付記１３ないし付記１５の何れか一つに記載の音声処理方法。
（付記１７）
前記規定することは、前記第１発話区間と、前記第２発話区間のいずれか早い区間の開始時刻から第５閾値の時間経過後に前記重複区間を規定することを特徴とする付記１１ないし付記１６の何れか一つに記載の音声処理方法。
（付記１８）
前記規定することは、前記第１発話区間と、前記第２発話区間のいずれか遅い区間の終了時刻から前記第５閾値の時間経過前に前記重複区間を規定することを特徴とする付記１１ないし付記１７の何れか一つに記載の音声処理方法。
（付記１９）
前記第１音声または前記第２音声は、送話音声または受話音声であることを特徴とする付記１１ないし付記１８の何れか一つに記載の音声処理方法。
（付記２０）
前記評価することは、前記第１発話継続区間の長さが第６閾値以上の場合に、前記印象を悪い印象と評価することを特徴とする付記１１ないし付記１９の何れか一つに記載の音声処理方法。
（付記２１）
コンピュータに、
第１ユーザの第１音声に含まれる第１発話区間と、第２ユーザの第２音声に含まれる第２発話区間を検出し、
前記第１発話区間と前記第２発話区間が重複する重複区間を規定し、
前記重複区間の始点から前記第１発話区間の終点までの第１発話継続区間を算出し、
少なくとも前記第１発話継続区間の長さに関する情報に基づいて、前記第１音声に対する印象を評価する
ことを実行させることを特徴とする音声処理プログラム。

１音声処理装置
２取得部
３検出部
４規定部
５算出部
６評価部

Claims

第１ユーザの第１音声に含まれる第１発話区間と、第２ユーザの第２音声に含まれる第２発話区間を検出する検出部と、
前記第１発話区間と前記第２発話区間が重複する重複区間を規定する規定部と、
前記重複区間の始点から前記第１発話区間の終点までの第１発話継続区間を算出する算出部と、
前記第１発話継続区間の長さに関する情報に基づいて、前記第１音声に対する印象を評価する評価部
を備えることを特徴とする音声処理装置。
前記規定部は、前記第１発話区間と前記第２発話区間が第１閾値以上の長さで重複する場合に、前記重複区間を規定することを特徴とする請求項１記載の音声処理装置。
前記規定部は、前記第１発話区間または前記第２発話区間に含まれる母音数を算出し、
前記第１発話区間と前記第２発話区間が第２閾値以上の前記母音数で重複する場合に、前記重複区間を規定することを特徴とする請求項１または請求項２記載の音声処理装置。
前記検出部は、前記第１音声と前記第２音声に含まれる複数のフレームの第１信号品質と第２信号品質をそれぞれ検出し、
前記規定部は、前記第１信号品質と前記第２信号品質が第３閾値以上であり、かつ、前記第１発話区間と前記第２発話区間が重複する区間を前記重複区間として規定する請求項１ないし請求項３の何れか一項に記載の音声処理装置。
前記検出部は、前記第１音声と前記第２音声に含まれる複数のフレームの第１信号品質と第２信号品質をそれぞれ検出し、
前記規定部は、前記第１信号品質と前記第２信号品質の差が第４閾値未満であり、かつ、前記第１発話区間と前記第２発話区間が重複する区間を前記重複区間として規定する請求項１ないし請求項３の何れか一項に記載の音声処理装置。
前記第１信号品質または前記第２信号品質は、前記第１音声または前記第２音声のパワーまたは信号対雑音比であることを特徴とする請求項４または請求項５に記載の音声処理装置。
前記規定部は、前記第１発話区間と、前記第２発話区間のいずれか早い区間の開始時刻から第５閾値の時間経過後に前記重複区間を規定することを特徴とする請求項１ないし請求項６の何れか一項に記載の音声処理装置。
前記規定部は、前記第１発話区間と、前記第２発話区間のいずれか遅い区間の終了時刻から前記第５閾値の時間経過前に前記重複区間を規定することを特徴とする請求項１ないし請求項７の何れか一項に記載の音声処理装置。
前記第１音声または前記第２音声は、送話音声または受話音声であることを特徴とする請求項１ないし請求項８の何れか一項に記載の音声処理装置。
前記評価部は、前記第１発話継続区間の長さが第６閾値以上の場合に、前記印象を悪い印象と評価することを特徴とする請求項１ないし請求項９の何れか一項に記載の音声処理装置。
第１ユーザの第１音声に含まれる第１発話区間と、第２ユーザの第２音声に含まれる第２発話区間を検出し、
前記第１発話区間と前記第２発話区間が重複する重複区間を規定し、
前記重複区間の始点から前記第１発話区間の終点までの第１発話継続区間を算出し、
前記第１発話継続区間の長さに関する情報に基づいて、前記第１音声に対する印象を評価する
ことを含むことを特徴とする音声処理方法。
コンピュータに、
第１ユーザの第１音声に含まれる第１発話区間と、第２ユーザの第２音声に含まれる第２発話区間を検出し、
前記第１発話区間と前記第２発話区間が重複する重複区間を規定し、
前記重複区間の始点から前記第１発話区間の終点までの第１発話継続区間を算出し、
前記第１発話継続区間の長さに関する情報に基づいて、前記第１音声に対する印象を評価する
ことを実行させることを特徴とする音声処理プログラム。